KI führt eine neue wissenschaftliche Revolution an

Dieser Artikel stammt von Lei Feng.com. Wenn Sie einen Nachdruck benötigen, besuchen Sie bitte die offizielle Website von Lei Feng.com, um eine Autorisierung zu beantragen.

Seit der Entdeckung der DNA in den 1950er Jahren haben Biologen versucht, die Länge genetischer Sequenzen mit einer Reihe zellulärer Komponenten und Proteinsyntheseprozessen in Verbindung zu bringen, darunter beispielsweise dem mittlerweile berühmten The Der mRNA-Impfstoff steigert den mRNA-Transkriptionsprozess spezifischer Antikörper.

​Während seit der Entdeckung der DNA Fortschritte bei der Genomsequenzierung und dem Verständnis erzielt wurden, fehlt immer noch ein wichtiger Zusammenhang. Den Biologen fehlte eine Methode, um die dreidimensionale Form eines unbekannten Proteins nur anhand seiner DNA- oder RNA-Quellsequenz genau und effizient vorherzusagen. In der Biologie bestimmt die Struktur die Funktion. Die Rolle eines Proteins in einer Zelle hängt von seiner Form ab. Die hohlzylindrische Struktur erleichtert die Bildung guter Membranrezeptoren und das U-förmige Enzym katalysiert chemische Reaktionen im fjordartigen Hohlraum. Die Fähigkeit, Proteinstrukturen vorherzusagen und sogar zu entwerfen, wäre ein Fortschritt beim Verständnis menschlicher Krankheiten und könnte neue Behandlungsmöglichkeiten für eine Reihe von Krankheiten eröffnen. Aber seit mehr als 70 Jahren verwenden Wissenschaftler langsame Methoden, die Computer überfordern, und verlassen sich weitgehend auf ihre eigenen Vermutungen, um die Strukturen von Proteinen herauszufinden. Obwohl Biologen die Länge des DNA-Codes für jede Aminosäure, aus der jedes Protein besteht, kannten, fehlte ihnen eine wiederholbare, verallgemeinerbare Formel, um das sogenannte „Proteinfaltungsproblem“ zu lösen. Sie müssen systematisch verstehen, wie sich jede Kette von Aminosäuren, sobald sie verbunden ist, in eine dreidimensionale Form faltet, um das riesige Universum der Proteine ​​zu entwirren.

Quelle: DeepMind

#🎜 🎜 #Im Jahr 2020 gab Googles Team für künstliche Intelligenz DeepMind bekannt, dass sein Algorithmus AlphaFold das Proteinfaltungsproblem gelöst hat.

Zuerst waren die meisten Menschen von diesem erstaunlichen Durchbruch begeistert, der auch einiges Interesse weckte, als Wissenschaftler bereit waren, dieses neue Tool zu testen. Ist das nicht dasselbe Unternehmen, das vor ein paar Jahren AlphaGo ins Leben gerufen hat und damit den Weltmeister im chinesischen Strategiespiel Go besiegen konnte? Ein Spiel zu meistern, das komplexer ist als Schach, ist zwar schwierig, fühlt sich aber im Vergleich zum Problem der Proteinfaltung trivial an.

Aber AlphaFold hat sein wissenschaftliches Können mit einem jährlichen Wettbewerb unter Beweis gestellt, bei dem Biologenteams die Struktur eines Proteins ausschließlich anhand seiner genetischen Sequenz erraten. Der Algorithmus übertraf die menschlichen Konkurrenten bei weitem und erzielte Ergebnisse, die die endgültige Form auf ein Angström (die Breite eines einzelnen Atoms) genau vorhersagten. Kurz darauf bestand AlphaFold seinen ersten realen Test und sagte die Form des „Spike“-Proteins von SARS-CoV-2 korrekt voraus, dem offensichtlichen Membranrezeptor des Virus für die gezielte Verabreichung von Impfstoffen.

Quelle: „Nature“

# 🎜🎜#Der Erfolg von AlphaFold war bald nicht mehr zu übersehen, und Wissenschaftler begannen, den Algorithmus im Labor zu testen. Im Jahr 2021 kürte das Magazin Science die Open-Source-Version von AlphaFold zur „Besten Methode des Jahres“. Der Chefredakteur von Biochemiker und Wissenschaft, H. Holden Thorp, schrieb in einem Leitartikel: „Durchbrüche in der Proteinfaltung gehören zu den größten Durchbrüchen aller Zeiten im Hinblick auf wissenschaftliche Errungenschaften und zukünftige Forschung.“ Heute ist die Vorhersage von AlphaFold sehr genau und nach mehr als 70 Jahren Überlegung gilt das Proteinfaltungsproblem als gelöst. Während das Problem der Proteinfaltung möglicherweise die bislang bekannteste Errungenschaft der KI in der Wissenschaft ist, macht die KI in vielen wissenschaftlichen Bereichen still und leise neue Entdeckungen.

Durch die Beschleunigung des Entdeckungsprozesses und die Bereitstellung neuer Untersuchungswerkzeuge für Wissenschaftler verändert KI auch die Art und Weise, wie wissenschaftliche Forschung betrieben wird.

Diese Technologie wertet Forschungssäulen wie Mikroskope und Genomsequenzierer auf, fügt den Instrumenten neue technische Fähigkeiten hinzu und macht sie noch leistungsfähiger. KI-gesteuertes Medikamentendesign und Gravitationswellendetektoren geben Wissenschaftlern neue Werkzeuge zur Erforschung und Kontrolle der natürlichen Welt.

Über das Labor hinaus kann KI auch fortschrittliche Simulations- und Inferenzsysteme einsetzen, um reale Modelle zu entwickeln und diese zum Testen von Hypothesen zu verwenden. Mit der weitreichenden Wirkung wissenschaftlicher Methoden löst KI eine wissenschaftliche Revolution durch bahnbrechende Entdeckungen, neue Technologien und verbesserte Werkzeuge sowie automatisierte Methoden aus, die die Geschwindigkeit und Genauigkeit wissenschaftlicher Prozesse erhöhen.

Quelle: AI-Assisted Super-Resolution Cosmology Simulations

Zusätzlich zu Proteinfaltungsproblemen werden KI-Entdeckungen in vielen Bereichen demonstriert, von der Kosmologie und Chemie bis hin zum Halbleiterdesign und den Materialwissenschaften wissenschaftlicher Wert.

Zum Beispiel hat ein Team von DeepMind einen anderen Algorithmus zur Berechnung der Elektronendichte eines Moleküls entwickelt und damit die Abkürzungsmethode übertroffen, auf die sich Wissenschaftler 60 Jahre lang verlassen hatten. Die Kenntnis der Elektronendichte eines bestimmten Moleküls trägt wesentlich zum Verständnis der physikalischen und chemischen Eigenschaften eines Materials bei. Da Elektronen jedoch der Quantenmechanik unterliegen, erfordert die Berechnung der Dichte eines bestimmten Elektrons komplexe Gleichungen, die schnell zu einem rechnerischen Albtraum werden. Stattdessen verwendeten die Wissenschaftler die durchschnittliche Elektronendichte im Material als Anhaltspunkt und umgingen schwierige Quantenberechnungen. Der Algorithmus von DeepMind befasst sich jedoch direkt mit den Quantenaspekten des Problems und hat sich als genauer erwiesen als Abkürzungsmethoden.

Ähnlich wie das Problem der Proteinfaltung ist KI in der Lage, die von Wissenschaftlern seit Jahrzehnten verwendeten Methoden zu übertreffen und neue Wege zur genauen Vorhersage physikalischer und chemischer Eigenschaften zu eröffnen.

Der Einfluss von KI auf die Wissenschaft geht in vier wesentlichen Punkten über die neuen Entdeckungen der Technologie hinaus.

Zuallererst kann KI schnell wissenschaftliche Literatur lesen, um die Grundregeln, Fakten und Gleichungen der Wissenschaft zu verstehen, und Wissenschaftlern dabei helfen, die große Anzahl von Artikeln und Daten zu verwalten, die verschiedene Bereiche überfluten. Allein im Jahr 2020 wurden zwischen 100.000 und 180.000 wissenschaftliche Zeitschriftenartikel zum Thema COVID-19 veröffentlicht.

Während es für Forscher sinnvoll ist, sich auf etwas so Dringendes wie die anhaltende globale Pandemie zu konzentrieren, machen Artikel zu COVID-19 nur etwa 4–6 % aller Artikel in den größten biomedizinischen Datenbanken aus. Die daraus resultierende Welle an Veröffentlichungen und Daten übersteigt die Lesefähigkeit eines jeden Wissenschaftlers bei weitem, sodass Forscher nicht in der Lage sind, wirklich mit dem Innovationstempo in ihrem Fachgebiet Schritt zu halten.

Hier kommt KI ins Spiel.

Auf dem Gebiet der medizinischen Chemie beginnt Insilico beispielsweise mit klinischen Phase-I-Studien für ein vollständig von KI entwickeltes Medikament zur Behandlung einer Krankheit namens idiopathische Lungenfibrose (IPF). Die Algorithmen von Insilico wählen Krankheitsziele aus, indem sie medizinische Literatur lesen, um potenzielle Proteine, Zellen oder Krankheitserreger zu finden, die es zu lokalisieren gilt. Sobald ein Ziel ausgewählt ist, kann der Algorithmus eine Behandlung zur Behandlung der Krankheit entwickeln. Insilico hat eine End-to-End-KI-Plattform für die Arzneimittelforschung entwickelt, die automatisch mit den neuesten Ergebnissen und Daten auf dem Gebiet Schritt hält, sodass Wissenschaftler auf dem Laufenden bleiben können, ohne überfordert zu werden.

Quelle: Bild bereitgestellt von der Leadership Computing Facilities, Visualization and Data Analysis Group des Argonne National Laboratory, USA

Zweitens, da die Instrumente immer ausgefeilter werden und die Geheimnisse der Natur erforscht werden Nach und nach vertieft sich die Situation, Wissenschaftler müssen mit riesigen Datenmengen umgehen. Auch KI kann hierbei eine Rolle spielen.

Ein Team von Wissenschaftlern am Argonne National Laboratory (ANL) hat einen Algorithmus entwickelt, der Gravitationswellen, Wellen in der Struktur des Raum-Zeit-Kontinuums, verstehen kann, die von Einstein vorhergesagt, aber erst 2015 vor Jahren entdeckt wurden. Der Algorithmus verarbeitete die Daten eines Monats in 7 Minuten und bot so eine beschleunigte, skalierbare und wiederholbare Methode zur Erkennung von Gravitationswellen. Und der Algorithmus läuft auch auf Standard-Grafikprozessoren (GPUs), sodass Forscher keine spezielle Ausrüstung zum Sammeln und Interpretieren von Gravitationswellendaten verwenden müssen.

Ian Foster, Head of Data Science and Learning (DSL) bei ANL, sagte: „Ich bin wirklich begeistert von diesem Projekt, das zeigt, wie KI-Methoden mit den richtigen Werkzeugen auf natürliche Weise in die Arbeitsabläufe von Wissenschaftlern integriert werden können.“ Dadurch können sie Dinge schneller und besser erledigen und die menschliche Intelligenz erweitern, anstatt sie zu ersetzen. „Mit KI ist die einst riesige Datenmenge jetzt ein kontrollierter Informationsfluss, der das Tempo der wissenschaftlichen Entwicklung beschleunigt.“

Drittens hat die KI im Stillen einige der langjährigen Grundpfeiler des Labors aufgerüstet: Mikroskope und DNA-Sequenzierer.

Am ANL haben Forscher einen Weg gefunden, die Menge an Informationen zu erhöhen, die ein Elektronenmikroskop über eine Probe abrufen kann, und gleichzeitig die Auflösung und Empfindlichkeit des Instruments zu erhöhen. Im Gegensatz zu den Mikroskopen, die viele Menschen aus dem Biologieunterricht an Gymnasien oder Universitäten kennen, sind Elektronenmikroskope nicht auf sichtbares Licht angewiesen, um Bilder zu erstellen. Stattdessen verwenden sie, wie der Name schon sagt, Elektronen, wodurch sie Bilder mit höherer Auflösung und feineren Strukturen als andere Mikroskope aufnehmen können.

Forscher am ANL haben eine Methode entwickelt, um mithilfe von KI Phasendaten auf Elektronenmikroskopen aufzuzeichnen, die wichtige Informationen über die physikalischen und chemischen Eigenschaften von Proben liefern und so die Leistung und Kapazität des Instruments erhöhen können.

Eine weitere verbesserte Funktion der KI findet sich in der sogenannten Lichtfeldmikroskopie, mit der hochauflösende 3D-Bilder von Bewegungen erfasst werden können. Normalerweise würden Wissenschaftler Tage brauchen, um ein Video zu rekonstruieren, aber mit KI wird die Zeit, die für die Verarbeitung hochauflösender Daten aus diesen Bewegungen erforderlich ist, auf Sekunden reduziert, ohne dass Auflösung oder Details verloren gehen.

DNA-Sequenzierer sind die Arbeitspferde der Genom-Ära und wurden auch durch KI verbessert. Anfang des Jahres nutzte ein Team von Wissenschaftlern KI, um die Zeit für die DNA-Sequenzierung zu halbieren, und sie hoffen, sie bald noch einmal zu halbieren. Kurz gesagt, künstliche Intelligenz verbessert die grundlegendsten wissenschaftlichen Werkzeuge.

Quelle: „Science“

Schließlich glänzt KI im Labor vor allem bei der Simulation komplexer Systeme, was sie zu einem zunehmend Standardwerkzeug in der wissenschaftlichen Grundlagenforschung macht.

Letztes Jahr demonstrierten Forscher die multidisziplinären Fähigkeiten der KI, indem sie bahnbrechende Simulationsexperimente in zehn wissenschaftlichen Bereichen entwickelten, darunter Physik, Astronomie, Geologie und Klimawissenschaften.

Alle 10 Simulatoren werden von demselben tiefen neuronalen Netzwerk namens DENSE trainiert. Im Vergleich zu anderen Methoden wird die Simulationsgeschwindigkeit bei gleichbleibender Genauigkeit um bis zu 1 Milliarde Mal erhöht.

Entscheidend ist, dass Simulatoren zur Lösung „inverser Probleme“ verwendet werden können, bei denen der Forscher das Ergebnis kennt, aber herausfinden möchte, welche Variablen die Ausgabe verursachen. KI beherrscht diese Art der Berechnung gut und kann leicht den Weg zu einer bestimmten Antwort finden.

Während Simulationen nützlich sind, möchten Forscher auch sicherstellen, dass ihre Modelle in der realen Welt funktionieren. Zwei führende Technologieunternehmen, Google und Samsung, haben kürzlich auf KI zurückgegriffen, um das Layout einiger ihrer Chips zu planen.

Google kam zu dem Schluss, dass von KI entwickelte Chips „in allen wichtigen Kennzahlen, einschließlich Stromverbrauch, Leistung und Chipfläche, von Menschen hergestellte Chips übertreffen oder mit ihnen vergleichbar sind.“ Das Unternehmen geht noch einen Schritt weiter und nutzt KI, um seinen KI-Beschleuniger der nächsten Generation zu entwickeln (TPUs sind von der KI hergestellte Chips und keine Standard-CPUs oder GPUs).

In ähnlicher Weise verließ sich Samsung bei der Entwicklung von Exynos, einem Chip, der in tragbaren Produkten und Autos verwendet wird, auf KI-Chip-Design-Software. Mit ihren hochpräzisen Simulationen stellt KI Wissenschaftlern ein leistungsstarkes Werkzeug zur Verfügung, das die Art und Weise, wie sie die natürliche Welt modellieren und mit ihr experimentieren, revolutioniert.

Quelle: KI unterstützt die schnelle Diagnose von COVID-19-Patienten

Es gibt keinen besseren realen Test für die Modellierungsfähigkeiten von KI als die COVID-19-Pandemie.

Erstens hat der Proteinfaltungsalgorithmus AlphaFold das wichtige „Spike“-Protein richtig vorhergesagt und gezeigt, wie KI die Entwicklung von Impfstoffen oder Behandlungen bei zukünftigen Pandemien beschleunigen kann. Aber vielleicht noch beeindruckender ist, dass japanische Wissenschaftler im Sommer 2020 Fugaku, den leistungsstärksten Supercomputer der Welt, verwendeten, um die Ausbreitung von COVID-19 in der Luft zu simulieren.

Angetrieben durch tiefe neuronale Netze und Tausende von GPUs lieferte Fugaku der Welt schlüssige Beweise dafür, dass das Virus in der Luft übertragen wurde, und überzeugte die WHO, ihre Richtlinien zur Kontrolle von COVID-19 entsprechend zu ändern (z. B. Masken, Belüftung und Risiken von Innen- und Außenbereichen). Outdoor-Aktivitäten). In der realen Welt beweist die KI ihren Wert, indem sie bei Krisen globale Abhilfestrategien unterstützt.

KI kann nicht nur neue Entdeckungen machen und dem wissenschaftlichen Arsenal neue Werkzeuge hinzufügen, sondern auch Muster in Daten entdecken, überprüfbare Vorhersagen treffen und diese nutzen, um neue Erkenntnisse in ihre Modelle zu integrieren, die die wissenschaftliche Methode widerspiegeln.

Philosoph Karl Popper hat die Idee populär gemacht, dass die Wissenschaft Fortschritte macht, indem man falsifizierbare Hypothesen verwirft, die durch Experimente getestet und als falsch bewiesen werden können, die durch Theorie und Experimente eliminiert werden. Der Prozess ist ein Markenzeichen der wissenschaftlichen Methode.

Wie einige der jüngsten Durchbrüche in der KI gezeigt haben, generiert die Technologie auch Hypothesen, die experimentell getestet werden können und durch einen Eliminierungsprozess eine strenge und falsifizierbare Antwort liefert.

Das Elektronendichtemodell von DeepMind übertrifft Forscher, indem es den wissenschaftlichen Prozess annähert und das Feedback zwischen Vorhersagen und Experimenten iteriert, bis das Quantencomputing besser beherrscht wird.

KI löst das Problem der Proteinfaltung, indem es sein Modell an Tausenden experimentell bestimmten Proteinen testet, Vermutungen verfeinert und das neuronale Netzwerk beschneidet, indem es Zweigen, die näher an der Lösung liegen, ein höheres Gewicht verleiht. Nachdem Forscher eine Open-Source-Version von AlphaFold erstellt haben, können andere Wissenschaftler das Modell nutzen, um die Geheimnisse darüber zu lüften, wie sich RNA-Strukturen falten und Proteine ​​miteinander verbinden.

Quelle: Unabhängiges SE(3)-Äquivariantenmodell für durchgängiges starres Andocken

Insgesamt öffnet das Verständnis der Proteinbindung die Tür für die Entwicklung leistungsstarker neuer Medikamente, da es viele Reaktionen gibt Ergebnis der Zusammenarbeit von Proteinen. Diese beiden Fortschritte läuten eine neue Ära des Behandlungsdesigns ein und nutzen End-to-End-KI-Pipelines, um Krankheiten zu lokalisieren und präzise Behandlungen zu entwickeln.

Zum Beispiel verwendete ein Forschungsteam im Labor für künstliche Intelligenz von Huawei eine Version dieses Modells, um automatisch Antikörper gegen eine Zielinfektion zu erzeugen. Vom Medikamentendesign bis zur Proteinbindung wird sich die Fähigkeit der KI, die natürliche Welt zu modellieren, zu analysieren und zu kontrollieren, weiter verbessern.

DeepMinds jüngster Durchbruch ist die Anwendung von KI auf das Problem der Kontrolle und Aufrechterhaltung von Kernfusionsreaktionen. KI kontrollierte erfolgreich die Fusionsreaktion von Wasserstoff und Helium, versorgte jeden Stern im Universum mit Rekordenergie und entdeckte neue Formen, die Plasma stabilisieren. Dieses Experiment ist ein wichtiger Schritt zur Entwicklung einer realisierbaren Fusionsenergie, die genügend erneuerbare Energie für die Stromversorgung der Welt liefern könnte.

Dieser Fall zeigt die vielversprechendste Anwendung von KI in der Wissenschaft: Sie erkennt Muster, die wir nicht sehen können, und analysiert unsere Umgebung aus unterschiedlichen, aber komplementären Perspektiven. In Zusammenarbeit mit Forschern und auf der Grundlage der wissenschaftlichen Methode kann KI mithilfe der iterativen Theorie und Experimenten, die dem wissenschaftlichen Prozess zugrunde liegen, dieselben Forschungsfragen lösen.

Wissenschaft lässt sich am besten als die Erforschung des Unbekannten beschreiben. KI ist ein Partner auf dieser Reise, denn sie nimmt die natürliche Welt und ihre unerforschten Teile anders wahr als wir und eröffnet neue Wege, die Kraft der Welt zu verstehen und zu nutzen.

Wie Sony Research Director Hiroaki Kitano beschreibt, ist wissenschaftliche Entdeckung ein „Suchproblem“, das auf einem selbstkorrigierenden System von Hypothesen, Experimenten und Daten basiert, die durch KI simuliert werden können. Aber KI ist mehr als nur ein leistungsstarkes Werkzeug in den Händen von Wissenschaftlern und Partnern während des Suchprozesses. Die Technologie verändert auch wissenschaftliche Prozesse, automatisiert und erweitert die Aufgaben, die Menschen damit erledigen können. Künstliche Intelligenz führt eine neue wissenschaftliche Revolution an, erzielt in vielen Bereichen bedeutende Durchbrüche, eröffnet neue Wege für die wissenschaftliche Forschung und beschleunigt das Tempo wissenschaftlicher Innovationen. Als Partner wird AI mit Wissenschaftlern zusammenarbeiten, um endlose wissenschaftliche Grenzen zu erkunden.

Das obige ist der detaillierte Inhalt vonKI führt eine neue wissenschaftliche Revolution an. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!